GUSTAVO MODENESI MODELO DE PREVISÃO DE ... - PRO - USP

More documents

Recommendations

Info

110 600 400 200 -200 -400 -600 -800 Resíduos de ordem 1: Setor industrial 0 0 35 Gráfico 42: Setor industrial – resíduos de primeira ordem Como se pode perceber pelo gráfico acima, os resíduos da regressão apresentam certo problema de homocedasticidade (variância aumenta conforme o x aumenta), além de seqüências muito grandes de resíduos abaixo do zero, principalmente no início da série. A equação que representa o modelo é dada por: Equação 38: Demanda industrial em função de modelo de auto-regressão I y = 30, 13 + 1, 114 × Lag1 Ou seja, o comportamento futuro da série depende do comportamento imediatamente passado da série de dados (R 2 de 99,26%). O t-stat encontrado do coeficiente é maior do que 2, mas o t-stat da constante foi de 0,66. Por ser uma medida do nível inicial da série e influenciar pouco nos resultados finais, releva-se este problema. Buscando-se aperfeiçoar o modelo anterior, pode-se realizar uma Stepwise-with-abackward-look tendo a série dos resíduos como variável a ser explicada e “Preço relativo entre gás natural e óleo combustível”, “PIB” e “Número de domicílios” como possíveis variáveis explanatórias.
Fazendo-se isso, chega-se à seguinte equação: Equação 39: Demanda industrial em função de modelo de auto-regressão II Erro = 4 04, 5 + 360× Pr eço Re lativo A qual possui um R 2 de 5,88% (ou seja, explica 5,88% do comportamento dos resíduos). Apesar de ser um valor de R 2 baixo, considera-se que ele melhora estatisticamente a previsão sendo realizada, dado que a variável “Preço Relativo” foi aceita no Stepwise-with-abackward-look (o qual poderia não deixar mais nenhuma variável entrar no modelo). Analisando-se os resíduos (de segunda ordem) obtidos através desta regressão, encontra-se a seguinte distribuição: 800 600 400 200 -200 -400 -600 Resíduos de ordem 2: Setor industrial 0 0 29 Gráfico 43: Setor Industrial – resíduos de segunda ordem Nota-se que estes resíduos apresentam o mesmo problema de heterocedasticidade dos resíduos de primeira ordem, além de possuir uma grande série de pontos abaixo do zero no início da série. 111
Page 1:
GUSTAVO MODENESI MODELO DE PREVISÃ
Page 4 and 5:
FICHA CATALOGRÁFICA Modenesi, Gust
Page 7:
AGRADECIMENTOS Cabem, nesta oportun
Page 11:
ABSTRACT Natural gas has been incre
Page 14 and 15:
7.2.1 Energético - Método de Holt
Page 17 and 18:
LISTA DE GRÁFICOS Gráfico 1: Matr
Page 19:
Gráfico 50: Previsão da demanda r
Page 23 and 24:
LISTA DE EQUAÇÕES Equação 1: Co
Page 25 and 26:
1. Apresentação da empresa do est
Page 27:
Em 2007 o BCG foi considerado pela
Page 30 and 31:
26 Por se tratar de uma prática re
Page 33 and 34:
4. Justificativa O gás natural é
Page 35 and 36:
Oferta de energia elétrica — His
Page 37 and 38:
5. O Mercado de Gás Natural 5.1 Pr
Page 39 and 40:
Oferta nacional de GN crescendo com
Page 41 and 42:
6. Referencial Teórico 6.1 Visão
Page 43 and 44:
não sim Definição do problema Co
Page 45 and 46:
Correlação positiva Correlação
Page 47 and 48:
Tabela 1: Lag de uma série Observa
Page 49 and 50:
Figura 5: Decomposição de série
Page 51 and 52:
Analogamente ao Mean Absolute Error
Page 53 and 54:
estar “errada”, quando o result
Page 55 and 56:
Como se pode notar com alguma anál
Page 57 and 58:
Ou seja, a previsão será uma fun
Page 59 and 60:
mesmos são automaticamente calcula
Page 61 and 62:
egression). Por ser o que, de acord
Page 63 and 64: Note-se que este método é extrema
Page 65 and 66: Fonte: Extraído de Makridakis (199
Page 67 and 68: Resultado 120 100 80 60 40 20 0 Dad
Page 69 and 70: Equação 22: Single Exponential Sm
Page 71 and 72: Esse conjunto de modelos apresenta
Page 73 and 74: Vale destacar que diversos modelos
Page 75 and 76: Caso perceba-se através do resumo
Page 77 and 78: 6.4 Utilização dos diferentes mé
Page 79 and 80: 7. Modelo de previsão de demanda d
Page 81 and 82: serem obtidos, Desta forma, nos cas
Page 83 and 84: 7.1.2 Transportes - Regressão Expl
Page 85 and 86: Autocorrelation 1,0 0,8 0,6 0,4 0,2
Page 87 and 88: Autocorrelation Autocorrelation Fun
Page 89 and 90: MM m 100000 3 MM m /ano 100000 3 /a
Page 91 and 92: Tabela 8: Quadro comparativo de mod
Page 93 and 94: 7.2 Setor Energético A seguir ser
Page 95 and 96: Rodando-se uma regressão Stepwise-
Page 97 and 98: Analisando a série histórica do p
Page 99 and 100: MM m 16000 3 MM m /ano 16000 3 /ano
Page 101 and 102: 600 500 400 300 200 100 0 0 35 -100
Page 103 and 104: 300 250 200 150 100 50 -3 0 -50 32
Page 105 and 106: MM m 14000 3 MM m /ano 14000 3 /ano
Page 107 and 108: 7.3 Setor Industrial A seguir serã
Page 109 and 110: 1500 1000 500 -500 -1000 -1500 Equa
Page 111 and 112: Equação 37: Demanda industrial em
Page 113: Autocorrelation 1,0 0,8 0,6 0,4 0,2
Page 117 and 118: Calculou-se o intervalo de confian
Page 119 and 120: Sendo assim, recomenda-se a utiliza
Page 121 and 122: Além disso, pode-se, visualmente,
Page 123 and 124: Autocorrelation 1,0 0,8 0,6 0,4 0,2
Page 125 and 126: MM m 1800 3 MM m /ano 1800 3 /ano 1
Page 127 and 128: Equação 44: Demanda residencial e
Page 131 and 132: 7.5 Setor Comercial/Público A segu
Page 133 and 134: macroeconômico brasileiro de grand
Page 135 and 136: Desta forma, ficamos com a seguinte
Page 137 and 138: 7.5.3 Setor Comercial/Público - Au
Page 141 and 142: Tabela 12: Quadro comparativo de mo
Page 143 and 144: 7.6 Total Utilizando-se o método d
Page 145 and 146: 8. Conclusões O objetivo deste tra
Page 147 and 148: 9. Referências Bibliográficas 143
Page 149 and 150: 10. Apêndices Nesta seção são a
Page 151 and 152: Sendo assim, a utilização de tais
Page 153 and 154: Ano Tabela 16: Dados históricos da
Page 155 and 156: MM hab 250 200 150 100 50 0 Popula
Page 157: 153 futuro desta variável é a de
Page 160 and 161: 156 Tabela 19: Resultados da previs
Page 162 and 163: 158 Tabela 21: Resultados da previs
Page 165:
Tabela 23: Resultados da previsão
show all

GUSTAVO MODENESI MODELO DE PREVISÃO DE ... - PRO - USP

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?